論文の概要: Learning Quantum-Samplers for Stochastic Processes with Quantum Sequence Models

• arxiv url: http://arxiv.org/abs/2603.24069v1
• Date: Wed, 25 Mar 2026 08:23:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.207409
• Title: Learning Quantum-Samplers for Stochastic Processes with Quantum Sequence Models
• Title（参考訳）: 量子シーケンスモデルを用いた確率過程の量子サンプリング学習
• Authors: Ximing Wang, Chengran Yang, Chidambaram Aditya Somasundaram, Jayne Thompson, Mile Gu,
• Abstract要約: プロセスのコヒーレントな重ね合わせを生成する量子回路は、リスク分析、重要サンプリング、DNAシークエンシングなど、下流の多くの量子加速タスクの鍵となる。 ここでは、リカレント量子回路構造を利用した量子シーケンスモデルを導入し、所望の時間水平線と線形に成長する回路複雑性を持つコヒーレント重ね合わせを生成する。
• 参考スコア（独自算出の注目度）: 3.112711246449628
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Quantum circuits that generate coherent superpositions of stochastic processes are key to many downstream quantum-accelerated tasks, such as risk analysis, importance sampling, and DNA sequencing. However, traditional methods for designing such circuits from data face immense challenges, given the exponential growth in the size of the associated probability vectors as the desired simulation time horizon increases. Here, we introduce quantum sequence models that leverage a recurrent quantum circuit structure to generate coherent superpositions with circuit complexity that grows linearly with the desired time horizon; together with a recurrent variant of the parameter-shift rule, we train these models from observational data. When benchmarked against baseline quantum Born machines, our constructions exhibit orders-of-magnitude improvements in model accuracy in data-sparse regimes.
• Abstract（参考訳）: 確率過程のコヒーレントな重ね合わせを生成する量子回路は、リスク分析、重要サンプリング、DNAシークエンシングといった多くの下流量子加速タスクの鍵となる。 しかし、データからそのような回路を設計する従来の手法は、所望のシミュレーション時間水平線が増加するにつれて、関連する確率ベクトルのサイズが指数関数的に増加することを考えると、大きな課題に直面している。 本稿では、リカレント量子回路構造を利用した量子シーケンスモデルを導入し、所望の時間水平線と線形に成長する回路複雑性を持つコヒーレント重ね合わせを生成する。 ベースライン量子ボーンマシンに対してベンチマークを行うと、データスパース方式におけるモデル精度のオーダー・オブ・マグニチュードの改善が示される。

関連論文リスト

• Digital Quantum Simulation of the Holstein-Primakoff Transformation on Noisy Qubits [40.8066152850216]
  クラウドベースの超伝導量子プロセッサ上でのボソニックモードのディジタル量子シミュレーションについて検討する。 アルゴリズムとハードウェアが引き起こすエラーの相互作用を検証し、最適なシミュレーションパラメータを同定する。
  論文  参考訳（メタデータ） (2026-02-19T20:14:04Z)
• Quantum Phase Recognition via Quantum Attention Mechanism [4.522310554705239]
  量子状態内の相関関係を抽出するハイブリッド量子古典的注意モデルを提案する。 モデルは100以上のトレーニングデータで高い分類精度を達成する。 複雑な多体システムにおいて、量子位相認識のためのスケーラブルでデータ効率のよいアプローチを提供する。
  論文  参考訳（メタデータ） (2026-01-31T02:56:04Z)
• Sample-based training of quantum generative models [1.3521721488318912]
  我々は、量子モデルに対する対照的な発散の原理を拡張するトレーニングフレームワークを導入する。 回路構造を導出し、構成のための一般的なレシピを提供することで、パラメータ更新に必要なサンプルを生成する量子回路を得る。
  論文  参考訳（メタデータ） (2025-11-14T19:00:02Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Characterizing randomness in parameterized quantum circuits through expressibility and average entanglement [39.58317527488534]
  量子回路(PQC)は、その主応用の範囲外ではまだ完全には理解されていない。 我々は、量子ビット接続性に関する制約の下で、PQCにおけるランダム状態の生成を分析する。 生成した状態の分布の均一性の増加と絡み合いの発生との間には,どれだけ急激な関係があるかを示す。
  論文  参考訳（メタデータ） (2024-05-03T17:32:55Z)
• Parameterized quantum circuits as universal generative models for continuous multivariate distributions [1.118478900782898]
  量子回路は、回帰、分類、生成タスクにおける機械学習モデルの基盤として広く使われている。 本研究では,予測値のサンプリングベースモデルを解明し,そのような変動量子アルゴリズムの普遍性を証明する。 我々の結果は、生成的モデリングタスクにおける将来の量子回路の設計を導くのに役立つかもしれない。
  論文  参考訳（メタデータ） (2024-02-15T10:08:31Z)
• Embedding memory-efficient stochastic simulators as quantum trajectories [0.0]
  オープン量子システムに連続時間量子シミュレータを組み込む方法を示す。 さらに、このような埋め込みが離散時間プロセスにどのように活用されるかを示す。
  論文  参考訳（メタデータ） (2024-02-07T09:54:11Z)
• Preparing random states and benchmarking with many-body quantum chaos [48.044162981804526]
  時間に依存しないハミルトン力学の下で自然にランダム状態アンサンブルの出現を予測し、実験的に観察する方法を示す。 観測されたランダムアンサンブルは射影測定から現れ、より大きな量子系のサブシステムの間に構築された普遍的相関に密接に関連している。 我々の研究は、量子力学におけるランダム性を理解するための意味を持ち、より広い文脈でのこの概念の適用を可能にする。
  論文  参考訳（メタデータ） (2021-03-05T08:32:43Z)
• Learnability and Complexity of Quantum Samples [26.425493366198207]
  量子回路が与えられた場合、量子コンピュータは古典的コンピュータよりも出力分布を指数関数的に高速にサンプリングすることができる。 一定のトレーニング時間でnでスケールするトレーニングパラメータを持つモデルを用いて、基礎となる量子分布を学習できるだろうか? 本稿では,Deep Boltzmann Machine (DBM), Generative Adrial Networks (GANs), Long Short-Term Memory (LSTM), Autoregressive GANの4種類の生成モデルについて,深部ランダム回路で生成された量子データセットの学習について検討する。
  論文  参考訳（メタデータ） (2020-10-22T18:45:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。